論文の概要: Distribution-aware Margin Calibration for Semantic Segmentation in Images

• arxiv url: http://arxiv.org/abs/2112.11554v1
• Date: Tue, 21 Dec 2021 22:38:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-24 00:32:54.142518
• Title: Distribution-aware Margin Calibration for Semantic Segmentation in Images
• Title（参考訳）: 画像のセマンティックセグメンテーションのための分布対応マージン校正
• Authors: Litao Yu, Zhibin Li, Min Xu, Yongsheng Gao, Jiebo Luo and Jian Zhang
• Abstract要約: ジャカードインデックス(ジャカードインデックス、Intersection-over-Union、IoU)は、画像セマンティックセグメンテーションにおいて最も重要な評価指標の一つである。 IoUスコアの直接最適化は非常に困難である。 学習目的として直接使用できるマージン校正法を提案し,データ分散に対するIoUの一般化を改良する。
• 参考スコア（独自算出の注目度）: 78.65312390695038
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Jaccard index, also known as Intersection-over-Union (IoU), is one of the most critical evaluation metrics in image semantic segmentation. However, direct optimization of IoU score is very difficult because the learning objective is neither differentiable nor decomposable. Although some algorithms have been proposed to optimize its surrogates, there is no guarantee provided for the generalization ability. In this paper, we propose a margin calibration method, which can be directly used as a learning objective, for an improved generalization of IoU over the data-distribution, underpinned by a rigid lower bound. This scheme theoretically ensures a better segmentation performance in terms of IoU score. We evaluated the effectiveness of the proposed margin calibration method on seven image datasets, showing substantial improvements in IoU score over other learning objectives using deep segmentation models.
• Abstract（参考訳）: IoU(Intersection-over-Union)とも呼ばれるJaccardインデックスは、画像セマンティックセグメンテーションにおいて最も重要な評価指標の1つである。 しかし,iouスコアの直接最適化は,学習目標が微分可能でも分解可能でもないため,非常に困難である。 サロゲートを最適化するためにいくつかのアルゴリズムが提案されているが、一般化能力に対する保証はない。 本稿では,厳密な下界を基盤としたデータ分散に関するIoUの一般化を改良するために,直接学習目的として使用できるマージン校正法を提案する。 このスキームは理論上、IoUスコアの観点からより優れたセグメンテーション性能を保証する。 提案手法の有効性を7つの画像データセットに対して評価し, 深部セグメンテーションモデルを用いた学習目標に対するIoUスコアの大幅な改善を示した。

関連論文リスト

• Improving Instance Optimization in Deformable Image Registration with Gradient Projection [7.6061804149819885]
  変形可能な画像登録は本質的に多目的最適化問題である。 これらの矛盾する目的は、しばしば最適化結果の貧弱につながる。 ディープラーニングの手法は、大規模なデータセット処理の効率化により、最近この領域で人気を博している。
  論文  参考訳（メタデータ） (2024-10-21T08:27:13Z)
• Jacobian Descent for Multi-Objective Optimization [0.6138671548064355]
  勾配降下は単目的最適化に限られる。 Jacobian descent (JD) はベクトル値の目的関数のヤコビ行列を用いてパラメータを反復的に更新する。
  論文  参考訳（メタデータ） (2024-06-23T22:06:25Z)
• Scalable Bayesian Meta-Learning through Generalized Implicit Gradients [64.21628447579772]
  Inlicit Bayesian Meta-learning (iBaML) 法は、学習可能な事前のスコープを広げるだけでなく、関連する不確実性も定量化する。 解析誤差境界は、明示的よりも一般化された暗黙的勾配の精度と効率を示すために確立される。
  論文  参考訳（メタデータ） (2023-03-31T02:10:30Z)
• Rethinking IoU-based Optimization for Single-stage 3D Object Detection [103.83141677242871]
  本稿では回転分離型IoU(RDIoU)法を提案する。 我々のRDIoUは、回転変数を独立項として分離することで、回帰パラメータの複雑な相互作用を単純化する。
  論文  参考訳（メタデータ） (2022-07-19T15:35:23Z)
• Revisiting Consistency Regularization for Semi-Supervised Learning [80.28461584135967]
  そこで我々は,FeatDistLossというシンプルな手法により,一貫性の規則化を改良したフレームワークを提案する。 実験結果から,本モデルは様々なデータセットや設定のための新しい技術状態を定義する。
  論文  参考訳（メタデータ） (2021-12-10T20:46:13Z)
• Semi-Supervised Semantic Segmentation of Vessel Images using Leaking Perturbations [1.5791732557395552]
  Leaking GANは、網膜血管セグメンテーションのためのGANベースの半教師付きアーキテクチャである。 私たちのキーとなるアイデアは、ジェネレータから情報を漏らすことで識別器を汚染することです。 これにより、より穏健な世代がGANのトレーニングに役立ちます。
  論文  参考訳（メタデータ） (2021-10-22T18:25:08Z)
• Momentum Contrastive Autoencoder: Using Contrastive Learning for Latent Space Distribution Matching in WAE [51.09507030387935]
  Wasserstein autoencoder (WAE) は、2つの分布が一致することは、このAEの潜在空間が予め指定された事前分布と一致するという制約の下で、単純なオートエンコーダ(AE)損失を最小限にすることと同値であることを示している。 本稿では,この問題を解決する手段として,自己指導型表現学習に有効であることを示すコントラスト学習フレームワークを提案する。 WAEの損失を最適化するために、対照的な学習フレームワークを使用することで、WAEの一般的なアルゴリズムと比較して、より高速に収束し、より安定した最適化が達成できることを示す。
  論文  参考訳（メタデータ） (2021-10-19T22:55:47Z)
• Latent Space Regularization for Unsupervised Domain Adaptation in Semantic Segmentation [14.050836886292869]
  セマンティックセグメンテーションにおけるドメインの不一致を減らすために、機能レベルの空間形成正規化戦略を紹介します。 このような手法の有効性を自律運転環境で検証する。
  論文  参考訳（メタデータ） (2021-04-06T16:07:22Z)
• Dense Contrastive Learning for Self-Supervised Visual Pre-Training [102.15325936477362]
  入力画像の2つのビュー間の画素レベルでの差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分)を最適化することにより自己教師学習を実現する。 ベースライン法であるMoCo-v2と比較すると,計算オーバーヘッドは1%遅かった。
  論文  参考訳（メタデータ） (2020-11-18T08:42:32Z)
• Distribution-aware Margin Calibration for Medical Image Segmentation [11.391027138349482]
  IoU(Intersection-over-Union)スコアとしても知られるジャカード指数は、医用画像のセグメンテーションにおいて最も重要な評価指標の1つである。 我々は,mIoUをデータ分散全体にわたってより一般化するための,新しいデータ分散対応マージンキャリブレーション手法を提案する。 2つの医用画像セグメンテーションデータセットにおけるマージンキャリブレーション手法の有効性を評価する。
  論文  参考訳（メタデータ） (2020-11-03T04:07:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。